一个基于机器学习算法的个性化风险预测工具,用于怀孕前10周内发生异位妊娠的风险预测

科学领域:

• 产科和妇科 产科和妇科
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 异位妊娠 (EP) 的延迟诊断是妊娠早期产妇死亡的主要原因.
• 未知位置怀孕 (PUL) 的患者患EP和相关并发症的风险更高.
• 在PUL患者中,准确的早期EP风险评估对于及时的临床干预至关重要.

研究的目的:

• 构建一个早期预测模型,以识别未知位置怀孕 (PUL) 患者的宫外妊娠 (EP) 风险.
• 为临床决策和早期怀孕管理中的干预提供一个有价值的工具.

主要方法:

• 对1896名怀孕10周内PUL患者的回顾性分析.
• 使用后勤回归,极端梯度提升,随机森林,支持向量机和CatBoost算法开发早期风险预测模型.
• 使用LASSO进行特征选择,并通过AUROC,AUPRC和F1得分进行模型性能评估. 用SHapley添加式解释 (SHAP) 来解释特征重要性.

主要成果:

• 在1896名PUL患者中,4.08%被诊断为EP.
• 对于EP的关键预测因素包括阴道出血,孕激素,均质附质量,怀孕,hCG水平,剖腹产史,腹部疼痛和骨盆手术史.
• CatBoost 型号获得了最高的性能 (AUROC: 0.930,AUPRC: 0.685). 阴道出血,孕激素和均质的副质量是最重要的预测因素.

结论:

• CatBoost算法有效地预测PUL患者的EP风险,使用最初访问的综合临床特征.
• 开发的模型提高了在怀孕早期早期发现EP的早期检测率.
• 为EP风险评估创建了一个用户友好的基于网络的平台,有可能在未来临床应用.